结合[k]-means的自动FCM图像分割方法

针对图像分割中模糊C均值算法（FCM）无法自动确定聚类中心,不考虑像素邻域信息的问题,提出一种结合[k]-means的自动FCM图像分割方法。该方法先由图像的灰度直方图确定聚类数目,使用一种改进的快速FCM方法产生初始聚类中心。即通过一步[k]-means算法对大隶属度灰度更新模糊聚类中心,同时仅对小隶属度灰度使用快速FCM?方法进行隶属度更新,迭代后得到初始聚类中心。利用改进隶属度的FCM算法进行最终聚类。实验表明,该方法获取初始聚类中心接近最终值,加速图像分割,并对噪声具有一定的鲁棒性。     

一种基于改进PSO的K—means优化聚类算法

针对传统的K—means算法对初始聚类中心的选取敏感、容易收敛到局部最优的缺点,提出一种基于改进粒子群优化算法（PSO）的K—means优化聚类算法。该算法利用PSO算法强大的全局搜索能力对初始聚类中心的选取进行优化：通过动态调整惯性权重等参数增强PSO算法的性能;利用群体适应度方差决定算法中前部分PSO算法和后部分K—means算法的转换时机;设置变量实时监控各个粒子和粒子群的最优值变化情况,及时地对出现早熟收敛的粒子进行变异操作,从而为K—means算法搜索到全局最优的初始聚类中心,使聚类结果不受初始聚类中心影响,易于获得全局最优解。实验结果表明文中提出的改进算法与传统聚类算法相比具有更高的聚类正确率、更好的聚类质量及全局搜索能力。     

结合最大最小距离和加权密度的K-means聚类算法

随机选取初始聚类中心和根据经验设置[K]值对[K]-means聚类结果都有一定的影响,针对这一问题,提出了一种基于加权密度和最大最小距离的[K]-means聚类算法,称为[KWDM]算法。该算法利用加权密度法选取初始聚类中心点集,减少了离群点对聚类结果的影响,通过最大最小距离准则启发式地选择聚类中心,避免了聚类结果陷入局部最优,最后使用准则函数即簇内距离和簇间距离的比值来确定[K]值,防止了根据经验来设置[K]值。在人工数据集和UCI数据集上的实验结果表明,KWDM算法不仅提高了聚类的准确率,而且减少了算法的平均迭代次数,增强了算法的稳定性。     

一种改进的RBF神经网络学习算法

提出一种基于减聚类、K-means算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法. 该算法首先使用减聚类确定隐层节点数和K-means初始聚类中心; 然后通过K-means算法求取RBF网络所有参数, 作为PSO的初始粒子群; 为了提高PSO算法的收敛性和稳定性, 对基本PSO算法进行了优化改进, 最后使用改进的PSO算法训练RBF神经网络中的所有参数. 对IRIS数据集分类识别的仿真结果表明, 改进的混合算法具有更高的分类准确率和更好的稳定性.     

基于蜂群[k]-means算法的遥感图像聚类应用研究

在遥感领域，获取用于训练的标记数据耗费巨大且困难，因此许多非监督技术逐渐被发展和应用于标记样本有限的遥感图像。将[k]均值和蜂群算法相结合，提出一种新的非监督聚类算法。使用灰度共生矩阵和小波变换提取遥感图像特征，对特征数据集进行蜂群[k]-means聚类。整个聚类过程首先使用最大最小距离积邻域均值法产生初始聚类中心，将蜂群算法和[k]-means算法交替执行，实现遥感图像的聚类。通过UCI数据集和凉水国家级自然保护区的遥感数据的实验结果表明，该算法具有较高的聚类准确率，满足遥感图像聚类的应用需求。     

一种基于粒子群的聚类算法

针对K-中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法初始化时选择距离较远的k个候选范围作为k个聚类中心的选择范围,即粒子的初始值都在该k个范围内。通过粒子群算法优化聚类中心,以解决K-中心点算法因为聚类中心迭代计算较为复杂而导致的时间复杂度较高的问题。实验结果表明,该算法具有较高的正确率,较小的时间复杂度,综合性能更加稳定。     

改进的K-means聚类k值选择算法

空间聚类算法中，聚类的效果在很大程度上受制于最佳[k]值的选择。典型的[K]-均值算法中，聚类数[k]需要事先确定，但在实际情况中[k]的取值很难确定。针对手肘法在确定[k]值的过程中存在的“肘点”位置不明确问题，基于指数函数性质、权重调节、偏执项和手肘法基本思想，提出了一种改进的[k]值选择算法ET-SSE算法。通过多个UCI数据集和[K]-means聚类算法对该算法进行实验，结果表明，使用该[k]值选择算法相比于手肘法能更加快速且准确地确定[k]值。     

基于粒子群优化的模糊C均值聚类算法

该算法（YNPF）主要是针对粒子群在优化聚类中心时运行时间过长而提出的。YNPF首先利用模糊聚类的有效性测量方法确定最佳聚类数目,然后,利用一种改进的粒子群优化（YNPSO）算法去优化模糊C均值（WAFCM[1]）聚类的中心,最后,再用WAFCM进行聚类。试验表明,该算法能提高分类的正确率,提高运算速度,聚类效果优于使用基本的FCM、基本的PSO以及两者的简单结合（PF）和定标法[2]与WAFCM的结合（NPF）。     

基于PSO与K-均值聚类算法优化结合的图像分割方法

为了提高图像分割的质量和效率,同时,针对粒子群优化算法（Particle Swarm Optimization, PSO）容易陷于局部最优和K-均值算法对初始聚类中心敏感的问题,本文将PSO和K-均值算法相结合,提出一种通过调整惯性权重和学习因子的优化算法。首先,对图像进行去噪预处理,并将处理后的颜色图像转换到HSV空间,以提高色彩质量。然后,改进粒子群算法中的惯性权重和学习因子公式及参数,避免陷入局部最优。最后,根据粒子的适应度切换到K-均值算法执行局部搜索,使聚类中心不断更新实现快速收敛。实验结果表明,在图像分割的过程中,改进的算法具有全局搜索能力强的优点,能够实现更快的收敛速度和更高的分割精度。     

基于改进粒子群的K-means聚类算法

针对传统的k-means算法处理离散型数据的不足以及选取初始聚类中心的随机性等缺点,提出了一种基于改进的粒子群优化k-means算法,根据文中提供的优化算法寻找初始聚类中心后,在阀值范围内进行数据样本间的迭代更新,直至聚类中心稳定。经过实验结果验证分析表明,经过改进的粒子群优化k-means算法与传统的k-means算法相比,更具有良好的聚类收敛效果,聚类效果也相对稳定。     

应用BWP指标的差分隐私保护k-means算法

差分隐私是一种基于噪声扰动的隐私保护技术,针对差分隐私保护下噪声导致的聚类中心点偏移较大的问题,提出了一种基于BWP（between-within proportion）指标的差分隐私[k]-means算法。算法将聚类有效性评价指标BWP引入到隐私预算分配过程中,对传统隐私预算分配进行加权处理,在一次迭代中为不同密度分布的簇分配不同的隐私预算,从而添加不同的随机噪声。理论分析表明新算法满足[ε]-差分隐私保护。基于四个标准数据集对新算法进行了实验,实验结果表明,在聚类结果的可用性以及算法的稳定性上新算法具有优势。     

混沌粒子群与模糊聚类在图像分割中的应用

模糊C均值聚类算法是目前使用最广泛的模糊聚类算法,但是该算法也有其局限性,比如在迭代过程中对初始值非常敏感,极容易陷入局部极小值,以至于得不到最佳聚类结果。将粒子群优化算法应用到模糊C均值聚类算法中,提出一种基于混沌粒子群的模糊C均值聚类算法。它能够利用粒子群算法强大的全局寻优能力避免算法收敛于局部极值,最大程度上达到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,该算法引入了混沌变量,以当前的全局最优位置来产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。将基于混沌粒子群的模糊C均值聚类算法应用于图像分割中,实验结果表明该算法能够有效地分割图像,并具有良好的鲁棒性和适应性。     

基于空间动态划分的差分隐私聚类算法

差分隐私算法作为当前研究较多的隐私保护机制之一,有着广泛应用。目前有多种基于差分隐私保护的[k]均值聚类算法,应用场景不一,各有缺陷。以往的算法通过均等划分数据集,构造等宽直方图进行聚类,这会导致没有数据分布的区域也被无差别插入噪声,影响聚类性能。针对这一点,提出了一种新的差分隐私聚类算法[DPQTk]-means,先通过构建差分隐私四分树,用大小不一的自适应存储桶动态划分数据空间,充分表示数据集同时减少噪声插入,再进行[k]均值聚类,证明了其满足[ε]-差分隐私保护。实验结果表明,[DPQTk]-means算法与以往的差分隐私聚类算法相比具有更好的聚类可用性,且能够在隐私保护水平较高的同时保持稳定的聚类性能。     

迭代步进值自适应调整的果蝇优化算法

针对传统果蝇优化算法（FOA）收敛精度不高和易陷入局部最优的缺点,提出了一种迭代步进值自适应调整的果蝇优化算法（FOAMR）。在该算法中,引入了果蝇群体速度进化因子和聚集度因子,并将迭代步进值表示为以上2个参数的函数同时定义自适应调整因子。在每次迭代时,算法根据当前果蝇群体速度进化因子和聚集度因子动态调整步进值的大小并通过自适应调整因子动态调整搜索距离的大小。对典型函数的测试结果表明,FOAMR比FOA具有更好的全局搜索能力,同时收敛速度、收敛精度明显提高。     

基于带收缩因子的粒子群优化算法的二重数值积分

提出了基于带收缩因子的粒子群优化(PSO-CF)算法求解二重数值积分的方法。PSO-CF算法初始时在积分区域内随机选取一定的分割点,粒子的速度采用收缩因子进行更新,粒子将朝着更好的位置移动。该算法基于分割后的每一个小矩形的4顶点和4内点及中心点定义适应值,用来评价粒子的优劣,通过反复迭代优化粒子。PSO-CF算法对最优粒子采用复化4内点公式计算二重数值积分。仿真实例表明,该算法积分精度较高,效果良好。     

Particle swarm optimization based K-means clustering approach for security assessment in power systems

Security assessment is a major concern in planning and operation studies of a power system. Conventional method of security evaluation performed by simulation involves long computer time and generates voluminous results. This paper presents a K-means clustering approach for classifying power system states as secure/insecure under a given operating condition and contingency. This paper demonstrates how the traditional K-means clustering algorithm can be profitably modified to be used as a classifier algorithm. The proposed algorithm combines particle swarm optimization (PSO) with the traditional K-means algorithm to satisfy the requirements of a classifier. The proposed PSO based K-means clustering technique is implemented in IEEE 30 Bus, 57 Bus, 118 Bus and 300 Bus standard test systems for static security and transient security evaluation. The simulation results of the proposed algorithm are compared with unsupervised K-means clustering, which uses different methods for cluster center initialization.